用python确定网站上的站点数

我有以下链接：

url的参考部分包含以下信息：

A7==议会（当前是第七届议会，前者是A6，以此类推）

2010年=年

0001==文件编号

对于每年和议会，我想确定网站上的文件数量。例如，2010年，数字186195196有空页，而最大数字为214，这使得任务变得复杂。理想情况下，输出应该是一个包含所有文档编号（不包括缺少的编号）的向量

有人能告诉我这在python中是否可行吗

---

最好的办法是，托马斯首先，确保删除他们的网站是合法的

其次，请注意，当文档不存在时，HTML文件包含：

<title>Application Error</title>

---

首先，确保删除他们的网站是合法的

其次，请注意，当文档不存在时，HTML文件包含：

<title>Application Error</title>

---

这里有一个稍微更完整（但很粗糙）的示例（使用urllib2），它似乎有效——我相信您可以根据自己的特定需求定制它

我还要重复Arrieta关于确保网站所有者不介意你删除网站内容的警告

#!/usr/bin/env python
import httplib2
h = httplib2.Http(".cache")

parliament = "A7"
year = 2010

#Create two lists, one list of URLs and one list of document numbers.
urllist = []
doclist = []

urltemplate = "http://www.europarl.europa.eu/sides/getDoc.do?type=REPORT&mode=XML&reference=%s-%d-%04u&language=EN"

for document in range(0,9999):
    url = urltemplate % (parliament,year,document)
    resp, content = h.request(url, "GET")
    if content.find("Application Error") == -1:
        print "Document %04u exists" % (document)    
        urllist.append(urltemplate % (parliament,year,document))
        doclist.append(document)
    else:
        print "Document %04u doesn't exist" % (document)
print "Parliament %s, year %u has %u documents" % (parliament,year,len(doclist))

---

这里有一个稍微更完整（但很粗糙）的示例（使用urllib2），它似乎有效——我相信您可以根据自己的特定需求定制它

我还要重复Arrieta关于确保网站所有者不介意你删除网站内容的警告

#!/usr/bin/env python
import httplib2
h = httplib2.Http(".cache")

parliament = "A7"
year = 2010

#Create two lists, one list of URLs and one list of document numbers.
urllist = []
doclist = []

urltemplate = "http://www.europarl.europa.eu/sides/getDoc.do?type=REPORT&mode=XML&reference=%s-%d-%04u&language=EN"

for document in range(0,9999):
    url = urltemplate % (parliament,year,document)
    resp, content = h.request(url, "GET")
    if content.find("Application Error") == -1:
        print "Document %04u exists" % (document)    
        urllist.append(urltemplate % (parliament,year,document))
        doclist.append(document)
    else:
        print "Document %04u doesn't exist" % (document)
print "Parliament %s, year %u has %u documents" % (parliament,year,len(doclist))

---

下面是一个解决方案，但在请求之间添加一些超时是一个好主意：

import urllib
URL_TEMPLATE="http://www.europarl.europa.eu/sides/getDoc.do?type=REPORT&mode=XML&reference=A7-%d-%.4d&language=EN"
maxRange=300

for year in [2010, 2011]:
    for page in range(1,maxRange):
        f=urllib.urlopen(URL_TEMPLATE%(year, page))
        text=f.read()
        if "<title>Application Error</title>" in text:
            print "year %d and page %.4d NOT found" %(year, page)
        else:
            print "year %d and page %.4d FOUND" %(year, page)
        f.close()

导入urllib
URL_模板=”http://www.europarl.europa.eu/sides/getDoc.do?type=REPORT&mode=XML&reference=A7-%d-%.4d和语言=英语“
最大范围=300
[2010、2011]年度：
对于范围内的页面（1，最大范围）：
f=urllib.urlopen（URL_模板%（年，页））
text=f.read（）
如果文本中出现“应用程序错误”：
打印“未找到%d年和%.4d页”%（年，页）
其他：
打印“找到%d年和%.4d页”%（年，页）
f、 关闭（）

这里有一个解决方案，但在请求之间添加一些超时是个好主意：

import urllib
URL_TEMPLATE="http://www.europarl.europa.eu/sides/getDoc.do?type=REPORT&mode=XML&reference=A7-%d-%.4d&language=EN"
maxRange=300

for year in [2010, 2011]:
    for page in range(1,maxRange):
        f=urllib.urlopen(URL_TEMPLATE%(year, page))
        text=f.read()
        if "<title>Application Error</title>" in text:
            print "year %d and page %.4d NOT found" %(year, page)
        else:
            print "year %d and page %.4d FOUND" %(year, page)
        f.close()

导入urllib
URL_模板=”http://www.europarl.europa.eu/sides/getDoc.do?type=REPORT&mode=XML&reference=A7-%d-%.4d和语言=英语“
最大范围=300
[2010、2011]年度：
对于范围内的页面（1，最大范围）：
f=urllib.urlopen（URL_模板%（年，页））
text=f.read（）
如果文本中出现“应用程序错误”：
打印“未找到%d年和%.4d页”%（年，页）
其他：
打印“找到%d年和%.4d页”%（年，页）
f、 关闭（）

非常感谢，这里的所有答案都是很好的例子！非常感谢，这里所有的答案都是很好的例子！谢谢，非常有帮助！该网站是公开的（毕竟这些是我们选出的议员：），所以我想法律方面不应该是一个问题。谢谢，非常有用！该网站是公开的（毕竟这些都是我们选出的议员：），所以我想法律方面不应该成为问题。感谢Jon非常详细的回答，这对于一个学习python的人来说是很棒的东西！感谢Jon提供了非常详细的答案，对于学习python的人来说，这是一件很棒的事情！